کتاب Building Production AI Agents for the Web

کتاب Building Production AI Agents for the Web: Design and orchestrate autonomous agents with MCP, Multi-Agent Patterns, and Harness Engineering (ساخت عامل‌های هوش مصنوعی تولیدی برای وب: طراحی و هماهنگ‌سازی عامل‌های خودمختار با MCP، الگوهای چندعاملی و مهندسی هارنس)، یک راهنمای عملی برای مهندسان وب، معماران نرم‌افزار و متخصصان هوش مصنوعی است که می‌خواهند از ساخت چت‌بات‌های ساده فراتر رفته و سیستم‌های عامل خودمختار و آماده تولید بسازند.

در ادامه مقدمه‌ای از کتاب Building Production AI Agents for the Web را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Building Production AI Agents for the Web:

مدل‌های زبانی بزرگ (LLMها) افزودن هوش مصنوعی مکالمه‌ای به یک نرم‌افزار را نسبتاً ساده کرده‌اند. یک مدل می‌تواند متن را خلاصه کند، به پرسش‌ها پاسخ دهد، محتوا تولید کند و به کاربران در انجام وظایف آشنا کمک کند. اما یک دموی جذاب با یک نرم‌افزار قابل‌اعتماد و آماده استفاده در محیط واقعی تفاوت دارد. سیستم‌های عملیاتی باید زمینه (Context) مناسب را در اختیار مدل قرار دهند، آن را به داده‌ها و ابزارهای قابل‌اعتماد متصل کنند، اقداماتی را که مدل مجاز به انجام آن‌هاست کنترل نمایند و شواهدی از نحوه رسیدن مدل به نتیجه ارائه دهند.

برنامه‌های عامل‌محور (Agentic Applications) توانایی‌های مدل زبانی را فراتر از یک پرسش و پاسخ ساده گسترش می‌دهند. این برنامه‌ها می‌توانند اهداف را دنبال کنند، اطلاعات را بازیابی کنند، از ابزارها استفاده نمایند، وضعیت را حفظ کنند، برای انجام کارها برنامه‌ریزی کنند، با عامل‌های دیگر همکاری داشته باشند و در محیط یک نرم‌افزار اقدام انجام دهند. هر قابلیت جدید، مسئولیت‌های مهندسی جدیدی نیز ایجاد می‌کند. توسعه‌دهندگان باید تصمیم بگیرند چه چیزهایی در مدل باقی بماند، چه بخش‌هایی باید در قالب کد قطعی و قابل‌کنترل پیاده‌سازی شود، میزان استقلال عامل چگونه محدود گردد و رفتار حاصل چگونه ارزیابی و بهبود یابد.

کتاب Building Production AI Agents for the Web مسیری عملی از اولین تعامل با یک مدل زبانی تا ساخت یک سیستم عامل‌محور آماده تولید (Production-Ready) ارائه می‌کند. ابتدا با مبانی برنامه‌های عامل‌محور آشنا می‌شوید و یاد می‌گیرید چگونه پرامپت‌ها، زمینه، تنظیمات مدل و خروجی‌های ساختاریافته، ویژگی‌های مبتنی بر LLM را شکل می‌دهند. سپس مدل‌ها را از طریق فراخوانی ابزارها (Tool Calling)، تولید مبتنی بر بازیابی اطلاعات (RAG)، GraphRAG و پروتکل Model Context Protocol (MCP) به قابلیت‌های خارجی متصل خواهید کرد.

بر پایه این اجزا، دستیارهای هوش مصنوعی و عامل‌ها را با استفاده از الگوی ReAct، معماری‌های عامل، سیستم‌های برنامه‌ریزی، ارکستراسیون (Orchestration) و استقلال محدود توسعه خواهید داد. سپس کتاب از عامل‌های منفرد به سمت همکاری چندعاملی، ارتباط بین عامل‌ها و الگوهای معماری قابل‌استفاده مجدد گسترش می‌یابد. همچنین ضدالگوهایی (Anti-Patterns) را بررسی خواهید کرد که می‌توانند سیستم‌های عامل را شکننده، غیرشفاف یا بیش از حد پیچیده کنند.

فصل‌های پایانی کتاب Building Production AI Agents for the Web بر کنترل‌هایی تمرکز دارند که فراتر از یک نمونه اولیه (Prototype) موردنیاز هستند. شما پاسخ‌های LLM و رفتار چندمرحله‌ای عامل‌ها را ارزیابی می‌کنید، یک Agent Harness برای اعمال محدودیت‌ها و ثبت اجرای عملیات می‌سازید و عامل‌ها را با هویت قابل‌اعتماد، مجوزدهی، مرزهای تأیید، وضعیت پایدار، بازیابی امن و کنترل اثرات جانبی برای محیط عملیاتی آماده می‌کنید. در نهایت، با استفاده از لاگ‌ها، معیارها، ردیابی‌ها، سناریوهای رگرسیون و انتشارهای Canary، عملکرد عامل‌ها را پس از استقرار پایش و بهبود خواهید داد.

در سراسر کتاب Building Production AI Agents for the Web، مفاهیم از طریق مثال‌های اجرایی، تمرین‌ها، نقاط کنترل و تکالیف تقویت می‌شوند. مثال‌ها از برنامه‌های ساده خط فرمان آغاز شده و به سیستم‌های عاملی می‌رسند که نتایج، مسیر اجرای آن‌ها و تضمین‌های زمان اجرا به‌صورت مستقل قابل آزمایش هستند. در پایان کتاب، نه‌تنها خواهید دانست چگونه قابلیت‌های عامل‌محور را به یک نرم‌افزار اضافه کنید، بلکه یاد می‌گیرید چگونه این قابلیت‌ها را در محیط عملیاتی قابل مشاهده، کنترل‌پذیر و قابل نگهداری سازید.

کتاب Building Production AI Agents for the Web برای چه کسانی مناسب است؟

این کتاب برای توسعه‌دهندگان Full-Stack، معماران نرم‌افزار، متخصصان هوش مصنوعی و رهبران فنی طراحی شده است که می‌خواهند برنامه‌های وب عامل‌محور را طراحی و پیاده‌سازی کنند. همچنین برای مدیران محصول با پیش‌زمینه فنی که روی محصولات مبتنی بر هوش مصنوعی کار می‌کنند و می‌خواهند تصمیمات معماری و عملیاتی پشت سیستم‌های عامل قابل‌اعتماد را درک کنند، مفید خواهد بود.

کتاب Building Production AI Agents for the Web برای توسعه‌دهندگانی مناسب است که قبلاً با چت‌بات‌ها یا APIهای مدل‌های زبانی کار کرده‌اند و اکنون قصد دارند نرم‌افزارهایی بسازند که بتوانند داده‌ها را بازیابی کنند، از ابزارها استفاده نمایند، برنامه‌ریزی کنند، همکاری داشته باشند و تحت کنترل‌های محیط عملیاتی فعالیت کنند. همچنین برای افرادی که تازه وارد حوزه توسعه عامل‌ها شده‌اند مناسب است، زیرا ابتدا مفاهیم ضروری LLMها را معرفی کرده و سپس وارد مباحث معماری عامل‌ها و مسائل عملیاتی می‌شود.

برای استفاده از کتاب Building Production AI Agents for the Web باید با مفاهیم عمومی برنامه‌نویسی و اجرای دستورات در ترمینال آشنا باشید. آشنایی با Python، APIها، JSON، توسعه وب و مبانی تست نرم‌افزار به درک بهتر مثال‌ها کمک می‌کند، اما تجربه قبلی در ساخت عامل‌های هوش مصنوعی ضروری نیست.

کتاب Building Production AI Agents for the Web چه موضوعاتی را پوشش می‌دهد؟

فصل ۱: مقدمه‌ای بر برنامه‌های عامل‌محور

تعریف برنامه‌های عامل‌محور بر اساس استقلال، رفتار هدف‌محور و حلقه‌های استدلال. معرفی مهندسی کانتکست (Context Engineering) و اجزای اصلی شامل مدل‌ها، حافظه، ابزارها، محیط و ارزیابی.

فصل ۲: ساخت سیستم‌های هوش مصنوعی مسئولانه

بررسی ایمنی، هم‌راستایی (Alignment)، شفافیت و حریم خصوصی در برنامه‌های مبتنی بر هوش مصنوعی و تعیین مرز بین پیشنهادهای AI، اقدامات نرم‌افزار و تصمیمات انسانی.

فصل ۳: آشنایی با مدل‌های زبانی بزرگ

تأثیر پرامپت‌ها، توکن‌ها، پنجره زمینه، انتخاب مدل و پارامترهای تولید بر رفتار و هزینه سیستم. معرفی Prompt Engineering، Few-Shot Prompting و خروجی‌های ساختاریافته.

فصل ۴: توسعه با LLMها

پیاده‌سازی دستیار خط فرمان با استفاده از SDK، استریم پاسخ‌ها، مدیریت نقش‌های گفتگو و اعتبارسنجی خروجی با Python و Pydantic.

فصل ۵: تقویت LLMها با Tool Calling

تعریف ابزارها، پارامترها، اجرای فراخوانی‌های درخواست‌شده توسط مدل و بازگرداندن امن نتایج.

فصل ۶: آشنایی با RAG

استفاده از بازیابی اطلاعات برای مبتنی‌کردن پاسخ‌های مدل بر داده‌های واقعی. آماده‌سازی اسناد، ساخت Embedding و پیاده‌سازی Pipeline کامل RAG.

فصل ۷: GraphRAG

مدل‌سازی داده‌های گرافی و پاسخ به پرسش‌هایی که وابسته به روابط میان موجودیت‌ها هستند.

فصل ۸: الگوی ReAct

ترکیب استدلال و اقدام در یک حلقه تکرارشونده برای انتخاب ابزار، مشاهده نتایج و تصمیم‌گیری.

فصل ۹: ساخت یک دستیار هوش مصنوعی

ترکیب پرامپت‌ها، حافظه، ابزارها، بازیابی اطلاعات و وضعیت برنامه در یک دستیار کاربردی.

فصل ۱۰: از دستیار به عامل

تفاوت معماری بین دستیار پاسخ‌گو و عامل هدف‌محور و تفکیک مسئولیت‌های مدل و نرم‌افزار.

فصل ۱۱: سیستم‌های برنامه‌ریزی

تجزیه اهداف بزرگ به مراحل کوچک‌تر، بازنگری برنامه‌ها و پیگیری پیشرفت.

فصل ۱۲: ارکستراسیون و استقلال عامل

هماهنگی بین مدل‌ها، ابزارها، وضعیت‌ها و جریان‌های کاری و تعیین مرزهای کنترل.

فصل ۱۳: همکاری و ارتباط چندعاملی

سیستم‌هایی که در آن عامل‌های تخصصی اطلاعات را مبادله و وظایف را هماهنگ می‌کنند.

فصل ۱۴: الگوهای چندعاملی

الگوهای رایج همکاری، واگذاری وظایف و انتخاب ساختار مناسب برای مسائل مختلف.

فصل ۱۵: الگوها و ضدالگوهای طراحی عامل

بهترین شیوه‌های معماری برای افزایش کنترل و قابلیت اطمینان و بررسی اشتباهات رایج طراحی.

فصل ۱۶: ارزیابی LLMها و عامل‌ها

تفاوت ارزیابی رفتار احتمالی مدل‌ها با تست‌های سنتی و طراحی چارچوب‌های ارزیابی.

فصل ۱۷: ساخت Agent Harness

ایجاد لایه اجرایی شامل مدیریت زمینه، ابزارها، وضعیت، محدودیت‌ها، سیاست‌ها و قوانین خاتمه.

فصل ۱۸: آماده‌سازی عامل‌ها برای محیط عملیاتی

هویت، مجوزدهی، تأیید، زمان‌بندی، بازیابی خطا، نقاط بازیابی پایدار و کنترل همزمانی.

فصل ۱۹: بهره‌برداری و بهبود عامل‌ها در محیط عملیاتی

استفاده از لاگ‌ها، معیارها، ردیابی‌ها، سناریوهای رگرسیون، اهداف سطح سرویس (SLO) و بودجه خطا برای تحلیل و بهبود رفتار عامل‌ها پس از استقرار.

سرفصل‌های کتاب Building Production AI Agents for the Web:

1. Introduction to Agentic Apps
2. Building Responsible AI Systems
3. Introduction to Large Language Models (LLMs)
4. Building with LLMs
5. Enhancing LLMs with Tool Calling
6. Introduction to Retrieval-Augmented Generation (RAG)
7. GraphRAG, a Retrieval Approach for Relationship-Heavy Questions
8. The ReAct Pattern
9. Building an AI Assistant
10. Agent Architecture: From AI Assistants to Agents
11. From Agent Architecture to Planning Systems
12. Agent Orchestration and Autonomy
13. Multi-Agent Collaboration and Communication
14. Multi-Agent Patterns
15. Agent Design Patterns and Anti-Patterns
16. Testing LLMs and Agents with Evaluation Frameworks
17. Building an Agent Harness
18. Preparing Agents for Production
19. Operating and Improving Agents in Production

جهت دانلود کتاب Building Production AI Agents for the Web می‌توانید پس از پرداخت، دریافت کنید.